双重差分法在医保政策评估中的平行趋势检验.docxVIP

双重差分法在医保政策评估中的平行趋势检验

一、引言：医保政策评估与双重差分法的实践需求

医保政策作为社会保障体系的核心组成部分，其实施效果直接关系到居民健康福祉与医疗资源配置效率。近年来，随着医保制度改革不断深化，如何科学评估政策效果成为学术界与政策制定者共同关注的焦点。双重差分法（Difference-in-Differences，简称DID）因其能够有效控制时间与个体固定效应、识别政策因果效应的优势，逐渐成为医保政策评估的主流方法。

然而，双重差分法的有效性依赖于一个关键前提——平行趋势假设（ParallelTrendAssumption）。该假设要求，在政策实施前，处理组（受政策影响的群体或地区）与对照组（未受政策影响的群体或地区）的结果变量应保持相同的变化趋势；政策实施后，两组的差异变化仅由政策本身引起。若这一假设不成立，DID模型的估计结果将存在偏差，无法准确反映政策真实效果。因此，平行趋势检验既是DID方法应用的“准入门槛”，也是保证医保政策评估结论可靠性的核心环节。本文将围绕这一主题，系统探讨平行趋势检验在医保政策评估中的理论逻辑、实施方法与实践要点。

二、双重差分法与医保政策评估的逻辑关联

（一）双重差分法的基本逻辑与适用场景

双重差分法的核心思想是通过“两次差分”分离政策效应：第一次差分是比较处理组在政策实施前后的结果变量变化（前测期与后测期的差异），第二次差分是比较对照组在相同时间段内的结果变量变化，最终通过两次差分的差值得到净政策效应。这种方法通过引入对照组，有效控制了时间层面的共同冲击（如经济波动、疾病流行等）和个体层面的固定差异（如地区人口结构、医疗资源基础等），从而更接近“自然实验”的因果推断效果。

在医保政策评估中，DID方法的适用性尤为突出。例如，当某地区率先实施“医保门诊统筹”政策（处理组），而相邻地区暂未实施（对照组）时，研究者可以通过比较两组在政策前后的门诊就诊率、个人自付费用、基层医疗机构利用率等指标的变化差异，评估政策对居民就医行为与医疗负担的影响。类似地，针对“医保支付方式改革”“药品集中带量采购”等局部试点政策，DID方法能够有效识别政策的净效果，避免将其他外部因素干扰误判为政策作用。

（二）平行趋势假设：DID方法的“生命线”

平行趋势假设是DID方法的核心前提，其本质是要求处理组与对照组在政策实施前具有“反事实一致性”——即若没有政策干预，两组的结果变量将继续按照原有的趋势发展。只有满足这一假设，政策实施后的两组差异变化才能被归因于政策本身。

以医保政策评估为例，假设处理组（A市）在实施“医保慢性病报销比例提高”政策前，其慢性病患者的年均医疗支出增速为5%，而对照组（B市）的增速为6%，两者趋势不一致；若政策实施后，A市增速降至3%，B市增速降至4%，此时直接计算两次差分（A市变化-2%，B市变化-2%，净效应0%）可能得出政策无效的结论，但这一结论可能掩盖了两组原本趋势不同的问题——若A市原本增速更低，政策可能实际降低了支出增速。因此，平行趋势假设的满足与否，直接决定了DID估计结果的可信度。

三、平行趋势检验的理论基础与实施方法

（一）平行趋势检验的理论依据：反事实推断的合理性

平行趋势检验的本质是验证处理组与对照组在政策前的“反事实趋势”是否一致。从计量经济学角度看，DID模型的设定为：

结果变量=个体固定效应+时间固定效应+政策虚拟变量×时间虚拟变量+控制变量

其中，政策虚拟变量×时间虚拟变量的系数即为政策效应。这一设定隐含的前提是，个体固定效应已控制了两组的初始差异，时间固定效应已控制了共同的时间趋势，因此政策前两组的结果变量变化仅由时间固定效应驱动，即趋势平行。

（二）平行趋势检验的具体方法与操作要点

事件研究法（EventStudyApproach）

事件研究法是最常用的平行趋势检验方法。其核心是将政策实施时间点作为“事件”，在模型中加入政策实施前各期与处理组的交互项（如政策前1期、前2期……），观察这些交互项的系数是否显著。若政策前各期的系数均不显著（即处理组与对照组在政策前各期的差异无统计学意义），则说明两组趋势平行；若某一期系数显著，则提示平行趋势假设不成立。

例如，在评估“医保跨省异地结算”政策效果时，研究者可收集处理组（试点省份）与对照组（非试点省份）政策前3年、政策后2年的异地就医人次数据，构建模型：

异地就医人次=α+β?×处理组虚拟变量+β?×时间虚拟变量+Σγ_k×（处理组×政策前k期）+Σδ_m×（处理组×政策后m期）+控制变量

若γ?、γ?、γ?（对应政策前1-3期）的系数均不显著，而δ?、δ?（政策后1-2期）显著为正，则说明平行趋势假设满足，政策有效提升了异地就医人次。

前测期趋势图法（Vi